基于 Mask R-CNN 的息肉检测与分割：更深的特征提取 CNN 是否总是表现更优？
计算机视觉与模式识别
2019-07-23 v1 机器学习
图像与视频处理
摘要
由于医师在结肠镜检查中约 25% 的息肉漏诊率，自动息肉检测与分割在结肠筛查中极受青睐。然而，由于结肠内存在多种类息肉结构以及息肉在尺寸、颜色、形状和纹理上的高度类间差异，这一计算机化仍是未解决问题。本文中，我们调整 Mask R-CNN 并以不同现代卷积神经网络（CNN）作为其特征提取器评估其在息肉检测与分割上的性能。我们通过向训练数据集添加额外息肉图像来考察各特征提取器的性能提升，以回答在自动息肉检测与分割中我们是需要更深且更复杂的 CNN 还是更好的数据集用于训练。最后，我们提出一种集成方法以进一步提升性能。我们在 2015 MICCAI 息肉检测数据集上评估性能。取得的最佳结果为 72.59% 召回率、80% 精确率、70.42% dice 系数和 61.24% Jaccard 系数。该模型实现了最先进的分割性能。
引用
@article{arxiv.1907.09180,
title = {Polyp Detection and Segmentation using Mask R-CNN: Does a Deeper Feature Extractor CNN Always Perform Better?},
author = {Hemin Ali Qadir and Younghak Shin and Johannes Solhusvik and Jacob Bergsland and Lars Aabakken and Ilangko Balasingham},
journal= {arXiv preprint arXiv:1907.09180},
year = {2019}
}
备注
6